Flow Cytometry-Based Epitope Binning Using Competitive Binding Profiles for the Characterization of Monoclonal Antibodies against Cellular and Soluble Protein Targets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A key step in the therapeutic antibody drug discovery process is early identification of diverse candidate molecules. Information comparing antibody binding epitopes can be used to classify antibodies within a large panel, guiding rational lead molecule selection. We describe a novel epitope binning method utilizing high-throughput flow cytometry (HTFC) that leverages cellular barcoding or spectrally distinct beads to multiplex samples to characterize antibodies raised against cell membrane receptor or soluble protein targets. With no requirement for sample purification or direct labeling, the method is suited for early characterization of antibody candidates. This method generates competitive binding profiles of each antibody against a defined set of known or unknown reference antibodies for binding to epitopes of an antigen. Antibodies with closely related competitive binding profiles indicate similar epitopes and are classified in the same bin. These large, high-throughput, multiplexed experiments can yield epitope bins or clusters for the entire antibody panel, from which a conceptual map of the epitope space for each antibody can be created. Combining this valuable epitope information with other data, such as functional activity, sequence, and selectivity of binding to orthologs and paralogs, enables us to advance the best epitope-diverse candidates for further development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle